旅行商问题的混沌混合离散蝙蝠算法

针对现有离散蝙蝠算法在求解旅行商问题时存在的收敛速度较慢、收敛率不高等问题,提出了混沌混合离散蝙蝠算法．该算法采用混沌初始化策略提高算法的寻优能力,引入2-Opt技术增强算法的局部搜索能力、加快算法的收敛速度．大量的仿真实验表明：所提出的算法在求解小规模TSP时能快速收敛到已知最优解;在求解大规模TSP时能在较短的时间内收敛到偏差0．4％以内的最优解．     

关联运输调度问题的蚁群算法

提出了改进的蚁群算法来对关联物流运输调度问题(Related Vehicle Routing Problem)求解。为了克服蚁群算法易陷入局部最优的缺陷,自适应地改变算法的挥发因子,在保证收敛速度的前提下提高解的全局性,最终提高了算法性能。实例证明该改进算法有效地解决了关联物流运输调度问题。     

基于自适应遗传算法的关联运输调度问题

利用引入了混沌扰动的一种改进的自适应遗传算法来解决一类关联运输调度问题IVRP(IncidentVehicleRoutingProblem)模型。虽然M.Srinivas提出的自适应遗传算法既保护了最优个体又加快了较差个体的淘汰程度,但不容易跳出局部最优解,相邻进化代数间的参数缺乏连续性,所以,提出了一种新的自适应遗传算法,为避免近亲繁殖提出了改进策略,同时考虑到变异概率的大小可能导致破坏种群模式或减弱抑制早熟的能力,设计了相关的自适应变异概率。研究表明,该改进的算法在解决关联物流运输调度问题具有有效性和适用性。     

单车场关联物流运输调度问题的混沌遗传算法

提出了关联物流运输调度问题(Incident Vehicle Routing Problem,IVRP)概念,建立了单车场单车型的IVRP模型,并用混沌遗传算法求解关联物流运输调度问题.混沌遗传算法的基本思想是把混沌变量加载于遗传算法的变量群体中,利用混沌变量对子代群体进行微小扰动并随着搜索过程的进行逐渐调整扰动幅度.研究表明,该方法能有效地解决关联物流运输调度问题.     

混合禁忌搜索算法求解关联运输调度问题

考虑到实际生活中车辆受发车时间限制以及道路路况影响运输成本等因素,建立了带客户软时间窗、车场硬时间窗、多车型、道路路况等约束的关联运输调度问题模型.结合禁忌搜索与遗传算法的优势,构造了混合禁忌搜索算法,以通过构造多个初始解来增大搜索空间;设计了两种禁忌表,分别为局部禁忌表和全局禁忌表,这不仅能加快寻优速度,还可以摆脱对单个解的依赖;将禁忌搜索生成的优化解作为遗传算法的初始解,可以加快寻优速度;自适应调整禁忌表长度可以避免早熟收敛;提取核心路径便于进行后期优化,relocate算子能减少路径网络回路数目.对实例进行的仿真表明,提出的IVRP优于一般的VRP,可节约大量成本,且提出的算法在收敛速度和寻优结果两方面都优于遗传算法和禁忌搜索算法.由3种算法求解得到的总成本、总里程及收敛时间的标准差体现出该算法的稳定性比另外两种算法的好.     

时变路网条件下车辆路径问题的自适应蚁群算法

考虑实际生活中道路路况影响运输成本及油耗率与运载量相关的因素,处理跨多时段的问题,建立时变路网条件下的车辆路径问题数学模型。通过聚类算法和节约算法构造初始解,提高求解速度;自适应地改变启发式因子和期望启发式因子,提高算法全局收敛能力;结合油耗率,将油耗率转化成信息素挥发因子,自适应更新信息素,保证其收敛速度;通过3-opt策略,提高算法的局部搜索能力。基于以上方法构造自适应蚁群算法,对8个客户规模的实例进行仿真表明提出的算法在收敛速度和寻优结果两方面略优于自适应遗传算法和蚁群算法,且因为考虑了不同运载量的油耗,为准确估计运输成本提供了方法。     

求解整合资源条件下的运输调度问题

针对传统的物流运输调度问题(Vehicle Routing Problem,VRP)中车辆之间不协作会造成资源浪费的情况,提出整合资源条件下的运输调度问题(Vehicle Routing Problem with Integration of resources,VRPIR),建立了相应的数学模型。由于混沌具有良好的遍历性,而粒子群优化算法(Particle Swarm Optimization,PSO)具有概念简单,参数少,容易实现等优点,将混沌优化方法引入到粒子群优化算法中,应用混沌粒子群优化算法(Chaos Particle Swarm Algorithm,CPSO)求解VRPIR和VRP,并用CPSO和PSO分别求解VRPIR,实验结果证明该算法优于粒子群优化算法,也证明了提出的VRPIR模型优于VRP,能节省资源,且最小化成本。     

模糊预约时间的时变相容物流运输调度问题

在对相容物流介绍的基础上,研究了一类单车场单收(单发)情况下的客户模糊预约时间,车辆类型不同,车辆数量限制的模糊预约时间的时变相容物流运输调度问题的数学模型。并利用禁忌搜索算法对该问题进行求解。最后,给出了该问题的一个计算实例,实例证明利用禁忌搜索算法解决这类问题是有效的和具有现实意义的。     

公司班车的协同车辆路径问题

考虑员工上下班时间及早晚高峰期影响班车行驶速度等因素,建立协同车辆路径问题的数学模型.针对蚁群优化算法的缺点,结合具有快速全局搜索能力的遗传算法,并自适应地改变信息素挥发因子,采用混沌搜索产生初始种群可以加速染色体向最优解收敛,平滑机制有助于对搜索空间进行更有效的搜索,构成混合自适应蚁群优化算法.应用该算法和蚁群优化算法对该模型求解,实验证明了构造算法在收敛速度和寻优结果两方面都优于蚁群优化算法.     

类电磁机制算法的应用研究

针对多车场多车型的关联运输调度问题(Multi-depot and Multi-vehicle-type Related Vehicle Routing Problem),对传统的类电磁机制算法进行改进,局部搜索可以提高算法在局部区域精细搜索的能力,并引入了移动系数来提高算法的收敛速度。实验结果证明,改进的算法有效地解决了此类问题且优于传统类电磁机制算法。